Met aangepaste functies roept de AI-agent van DM Champ je eigen externe API's aan midden in een lopend gesprek. Het model besluit zelf dat het een stuk data nodig heeft dat het niet heeft (actuele voorraad, een orderstatus, een offerte op maat, een vrij moment in je boekingssysteem), roept het endpoint aan dat je hebt geregistreerd, leest de JSON die terugkomt, en vouwt dat resultaat meteen in zijn redenering voordat het het volgende antwoord schrijft. Dit is echte agentic tool-use, geen gescripte webhook-node. Er is geen vaste flowstap die zegt: als de gebruiker blok 7 bereikt, vuur dit request af. De agent doet de aanroep wanneer die helpt om de lead te antwoorden, en praat daarna verder alsof hij het antwoord altijd al wist.
Dat verschil telt. Een gescripte bot kan je API alleen aanroepen op punten die je vooraf hebt ingebouwd, en kan er alleen iets simpels mee (in een veld zetten, erop vertakken). Een model met agentic tool-use leest het live resultaat als context en redeneert erover, dus dezelfde functie bedient honderd vragen die je nooit hebt uitgetekend. Je registreert het endpoint één keer. De AI bepaalt wanneer hij het gebruikt.
Gescripte webhook-node versus agentic tool-use
Op een functielijst lijken de twee op elkaar. In een echt gesprek gedragen ze zich totaal anders.
| Gescripte webhook-node | Agentic tool-use | |
|---|---|---|
| Wat het start | Een vaste flownode. De bot bereikt een blok dat jij hebt geplaatst en vuurt het request af omdat het pad daarheen liep. | Het model beslist. Het roept de functie aan wanneer het inschat dat de aanroep helpt om de lead te antwoorden. |
| Wanneer het vuurt | Een vaste stap in een vooraf gebouwde boom. Elke keer op hetzelfde punt, of helemaal niet. | Elk moment waarop het helpt, ook midden in een zin, vóór het antwoord, of een paar beurten later. |
| Wat er met het resultaat gebeurt | Gemapt naar een veld of gebruikt om de flow te vertakken. De bot begrijpt de payload niet, hij routeert erop. | Gevouwen in de redenering van de AI. Het model leest de JSON als live context en schrijft zijn antwoord eruit. |
| Voorbeeldtools | ManyChat, Chatfuel, Landbot (het request loopt in een flow die jij tekent). | DM Champ, Intercom Fin, Botpress (het model kiest de aanroep). |
| Platform | Model beslist wanneer het aanroept | Vuurt elk moment, ook midden in een chat | Resultaat gaat de redenering in |
|---|---|---|---|
| ★DM Champ | ✓ | ✓ | ✓ |
| Intercom Fin | ✓ | ✓ | ✓ |
| Botpress | ✓ | ✓ | ✓ |
| ManyChat | ✕ | ✕ | ✕ |
| Chatfuel | ✕ | ✕ | ✕ |
| Landbot | ✕ | ✕ | ✕ |
Een gescripte node is een draadje dat je op één plek vastsoldeert. Een aangepaste functie is gereedschap dat je de agent geeft, met het vertrouwen dat hij het oppakt zodra het moment erom vraagt.
Wat je kunt koppelen
Een aangepaste functie is gewoon een endpoint dat je zelf bezit plus een korte beschrijving van wat het doet en welke invoer het nodig heeft. De AI leest die beschrijving net zoals hij je bot-instructies leest, en roept het endpoint aan zodra het bericht van een lead dat relevant maakt. De meest voorkomende:
- Actuele voorraad checken. Een lead vraagt: heb je de blauwe in medium? De agent roept je voorraad-API aan, ziet er drie in het magazijn, en antwoordt in real time in plaats van te beloven dat hij het navraagt.
- Een order opzoeken. Iemand stuurt: waar blijft mijn bestelling? De agent haalt de status uit je verzendsysteem en antwoordt met de echte tracking, niet met een standaardzin over mailen naar support.
- Een offerte op maat ophalen. Bij aanbod dat van invoer afhangt (vierkante meters, aantal mensen, afstand, plan) verzamelt de agent de details in de chat, roept je prijs-endpoint aan, en noemt het echte bedrag.
- Boeken in je eigen systeem. Draait je planning ergens anders dan in de ingebouwde agenda, dan kan de agent je boekings-API aanroepen om vrije momenten te lezen en de afspraak aan te maken in het systeem waar je team toch al werkt.
- Toetsen aan je CRM. De agent kan een contact midden in de chat opzoeken in je CRM, hun plan, tier of historie zien, en het gesprek afstemmen op wie ze echt zijn.
Omdat het model het antwoord leest en erover redeneert, dekt één functie veel meer terrein dan de vraag waarvoor je hem bouwde. Een offerte-endpoint beantwoordt ook: is dat inclusief btw? en: en als ik er twee plekken bij neem? zonder voor elk daarvan een nieuwe flowtak.
Dit is wat AI-native echt betekent
Een flowbuilder met een AI-add-on kan een antwoord in een bubbel plakken. Hij kan niet naar buiten reiken, een feit ophalen dat hij niet heeft, en er ter plekke over redeneren. Dat gat is het hele verschil tussen een chatbot die slim klinkt en een agent die het werk echt doet.
Aangepaste functies zijn een van de dingen waar we naar wijzen als mensen vragen of een platform echt agent-native is of alleen AI-washed. Haal de platformen die je overweegt door de test AI-native versus AI-washed: kan de bot een externe API aanroepen omdat het model dat besloot, of alleen omdat een node het zei? Kijk daarna naar het bredere developer-oppervlak achter de agent in de open REST API waarop hij is gebouwd. Die twee samen (een agent die redeneert en een API waardoor hij kan handelen) zijn wat AI-native in de praktijk betekent.
Combineer het met de API en MCP
Aangepaste functies zijn hoe de agent naar buiten reikt, je systemen in, tijdens een chat. Ze zitten in een breder developer-platform waarop je kunt bouwen en dat je van begin tot eind kunt bedienen:
- De open REST API geeft je 40+ resources (contacten, berichten, agents, entry points, broadcasts, FAQ's, aangepaste functies, taken, deals, afspraken en meer) om programmatisch te lezen en te schrijven met je API-sleutel.
- De officiële MCP-server op
mcp.dmchamp.comlaat een AI-assistent als Claude of ChatGPT je DM Champ-account via MCP bedienen, dus een assistent kan het platform zowel aanraden als besturen. - Uitgaande webhooks duwen events de andere kant op, naar je eigen stack, zodat je systemen reageren op het moment dat er iets gebeurt in DM Champ.
Aangepaste functies verzorgen het reiken naar binnen (de agent die midden in de chat data ophaalt). De API en webhooks doen de rest van de lus. Samen maken ze van de agent iets dat je kunt vastknopen aan de tools die je al draait.